Anomaly Detection In Medical Images / Ikbal Taki Eddine Nasri

Public ISBD Titre : Anomaly Detection In Medical Images Type de document : texte imprimé Auteurs : Ikbal Taki Eddine Nasri, Auteur ; Dhiaeddin Hadjaz ; Fella Berrimi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2024 Importance : 1 vol (82 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé : Recent advancements in medical image analysis have led to the development of sophisticated algorithms for segmenting and detecting pathologies. Our study aims to localize and detect pathologies using deep learning methods. We utilized two annotated datasets: one for lung tissue tumors and another for colon tissue tumors. For lung tumors, we implemented CNN, DenseNet, and Efficient- NetB3 models. For colon tumors, we used a transfer learning CNN model. We detail the implementation stages and analyze the results, finding that deep learning models significantly improve the accuracy and efficiency of disease detection in medical imaging. These models automate complex image analysis, supporting healthcare professionals and potentially enhancing patient outcomes. Note de contenu : Sommaire Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Chapter 1: General Terms in Medical Imaging 12 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2 Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3 Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4 Characteristics of A Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.1 Pixel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.2 Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.3 Resolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.4 Luminance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.5 Noise (Digital Noise) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.6 Texture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.7 Grayscale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.8 Color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.9 Image Format . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5 Medical Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.6 The Different Medical Imaging Technologies . . . . . . . . . . . . . . . . . . . 18 1.6.1 Radiography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6.2 Computed Tomography (CT) . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6.3 Magnetic Resonance Imaging (MRI) . . . . . . . . . . . . . . . . . . . . 18 1.6.4 Ultrasound . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6.5 Nuclear Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6.6 Positron Emission Tomography (PET) . . . . . . . . . . . . . . . . . . . 20 1.7 Anomalies in Medical Images . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.8 Medical Image Processing Diagram . . . . . . . . . . . . . . . . . . . . . . . . 21 1.8.1 Acquisition of An Image . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1.8.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1.8.3 Segmentation of An Image . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.8.4 Anomaly Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 1.8.5 Interpretation And Analysis . . . . . . . . . . . . . . . . . . . . . . . . 23 1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 Chapter 2: Segmentation And Anomaly Detection In Medical Images 25 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.2 Medical Image Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.2.1 Edge-Based Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.2.2 Region Based Segmentation . . . . . . . . . . . . . . . . . . . . . . . . 29 2.2.3 Thresholding Based Segmentation . . . . . . . . . . . . . . . . . . . . 31 2.2.4 Segmentation Based on Artificial Neural Network (ANN) . . . . . . . . 32 2.3 Anomaly Detection In Medical Images . . . . . . . . . . . . . . . . . . . . . . 34 2.4 Machine Learning-based Anomaly Detection . . . . . . . . . . . . . . . . . . . 34 2.4.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.4.2 Machine Learning Process . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.5 Machine Learning Algorithms For Anomaly Detection . . . . . . . . . . . . . . 36 2.5.1 Support Vector Machines (SVMs) . . . . . . . . . . . . . . . . . . . . . 36 2.5.2 Random Forest (RF) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.5.3 k-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 2.6 Deep Learning-Based Anomaly Detection . . . . . . . . . . . . . . . . . . . . . 40 2.6.1 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.7 Deep Learning Architectures For Anomaly Detection . . . . . . . . . . . . . . . 41 2.7.1 Convolution Neural Networks (CNNs) . . . . . . . . . . . . . . . . . . 41 2.7.2 U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.7.3 Generative Adversarial Networks (GANs) . . . . . . . . . . . . . . . . . 45 2.7.4 Autoencoders (AEs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 2.8 Model Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 2.8.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 2.8.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 2.8.3 Recall (Sensitivity or True Positive Rate) . . . . . . . . . . . . . . . . . 50 2.8.4 F1 Score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 Chapter 3: Our Experiments And Results 52 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.2 DataSets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.2.1 Pulmonary Tissue Tumors . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.2.2 Colon Tissue Tumors . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.3 Development Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.3.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.3.2 Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.3.3 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.4 Implementation Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.4.1 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.4.2 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.4.3 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.5 Model Developing Steps For Anomaly Detection . . . . . . . . . . . . . . . . . 56 3.5.1 Original Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.2 Images Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.3 Model Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.4 Model Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.5 Model Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.6 Model Evaluation And Save . . . . . . . . . . . . . . . . . . . . . . . . 57 3.6 Pulmonary Tissue Tumors Detection . . . . . . . . . . . . . . . . . . . . . . . . 58 3.6.1 Data Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 3.6.2 Data Splitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 .......... Côte titre : MAI/0871 Anomaly Detection In Medical Images [texte imprimé] / Ikbal Taki Eddine Nasri, Auteur ; Dhiaeddin Hadjaz ; Fella Berrimi, Directeur de thèse . - [S.l.] : Setif:UFA, 2024 . - 1 vol (82 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé : Recent advancements in medical image analysis have led to the development of sophisticated algorithms for segmenting and detecting pathologies. Our study aims to localize and detect pathologies using deep learning methods. We utilized two annotated datasets: one for lung tissue tumors and another for colon tissue tumors. For lung tumors, we implemented CNN, DenseNet, and Efficient- NetB3 models. For colon tumors, we used a transfer learning CNN model. We detail the implementation stages and analyze the results, finding that deep learning models significantly improve the accuracy and efficiency of disease detection in medical imaging. These models automate complex image analysis, supporting healthcare professionals and potentially enhancing patient outcomes. Note de contenu : Sommaire Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Chapter 1: General Terms in Medical Imaging 12 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2 Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.3 Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4 Characteristics of A Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.1 Pixel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.2 Dimension . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.3 Resolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.4 Luminance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4.5 Noise (Digital Noise) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.6 Texture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.7 Grayscale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.8 Color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.4.9 Image Format . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5 Medical Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.6 The Different Medical Imaging Technologies . . . . . . . . . . . . . . . . . . . 18 1.6.1 Radiography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6.2 Computed Tomography (CT) . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6.3 Magnetic Resonance Imaging (MRI) . . . . . . . . . . . . . . . . . . . . 18 1.6.4 Ultrasound . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6.5 Nuclear Medicine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6.6 Positron Emission Tomography (PET) . . . . . . . . . . . . . . . . . . . 20 1.7 Anomalies in Medical Images . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.8 Medical Image Processing Diagram . . . . . . . . . . . . . . . . . . . . . . . . 21 1.8.1 Acquisition of An Image . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1.8.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 1.8.3 Segmentation of An Image . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.8.4 Anomaly Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 1.8.5 Interpretation And Analysis . . . . . . . . . . . . . . . . . . . . . . . . 23 1.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 Chapter 2: Segmentation And Anomaly Detection In Medical Images 25 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.2 Medical Image Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.2.1 Edge-Based Segmentation . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.2.2 Region Based Segmentation . . . . . . . . . . . . . . . . . . . . . . . . 29 2.2.3 Thresholding Based Segmentation . . . . . . . . . . . . . . . . . . . . 31 2.2.4 Segmentation Based on Artificial Neural Network (ANN) . . . . . . . . 32 2.3 Anomaly Detection In Medical Images . . . . . . . . . . . . . . . . . . . . . . 34 2.4 Machine Learning-based Anomaly Detection . . . . . . . . . . . . . . . . . . . 34 2.4.1 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 2.4.2 Machine Learning Process . . . . . . . . . . . . . . . . . . . . . . . . . 35 2.5 Machine Learning Algorithms For Anomaly Detection . . . . . . . . . . . . . . 36 2.5.1 Support Vector Machines (SVMs) . . . . . . . . . . . . . . . . . . . . . 36 2.5.2 Random Forest (RF) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.5.3 k-Means Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 2.6 Deep Learning-Based Anomaly Detection . . . . . . . . . . . . . . . . . . . . . 40 2.6.1 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 2.7 Deep Learning Architectures For Anomaly Detection . . . . . . . . . . . . . . . 41 2.7.1 Convolution Neural Networks (CNNs) . . . . . . . . . . . . . . . . . . 41 2.7.2 U-Net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 2.7.3 Generative Adversarial Networks (GANs) . . . . . . . . . . . . . . . . . 45 2.7.4 Autoencoders (AEs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 2.8 Model Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 2.8.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 2.8.2 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 2.8.3 Recall (Sensitivity or True Positive Rate) . . . . . . . . . . . . . . . . . 50 2.8.4 F1 Score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 Chapter 3: Our Experiments And Results 52 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.2 DataSets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.2.1 Pulmonary Tissue Tumors . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.2.2 Colon Tissue Tumors . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 3.3 Development Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.3.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.3.2 Anaconda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.3.3 Google Colab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.4 Implementation Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.4.1 TensorFlow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.4.2 Scikit-learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.4.3 Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.5 Model Developing Steps For Anomaly Detection . . . . . . . . . . . . . . . . . 56 3.5.1 Original Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.2 Images Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.3 Model Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.4 Model Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.5 Model Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.5.6 Model Evaluation And Save . . . . . . . . . . . . . . . . . . . . . . . . 57 3.6 Pulmonary Tissue Tumors Detection . . . . . . . . . . . . . . . . . . . . . . . . 58 3.6.1 Data Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 3.6.2 Data Splitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 .......... Côte titre : MAI/0871

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0871	MAI/0871	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)